A integração de inteligência artificial às redes de acesso rádio (RAN) está ganhando força e deve movimentar mais de US$ 10 bilhões até 2029, segundo o mais recente relatório da consultoria Dell’Oro Group. A projeção representa cerca de um terço do mercado total de RAN, impulsionado especialmente pelas aplicações iniciais em redes 5G e arquiteturas do tipo D-RAN (Distributed RAN).
Apesar do avanço, o foco das operadoras com o AI-RAN não está na geração imediata de novas receitas, mas na eficiência operacional, redução de custos e aumento de desempenho. “Há um consenso de que o AI-RAN pode melhorar a experiência do usuário, otimizar o desempenho da rede e reduzir o consumo de energia – aspectos críticos para a jornada de automação mais ampla das operadoras”, explicou Stefan Pongratz, VP e analista principal da Dell’Oro.
Eficiência sim, lucro imediato não
A expectativa inicial de que o AI-RAN poderia transformar o modelo de receitas das operadoras já foi ajustada. Segundo Pongratz, há ceticismo quanto à capacidade da tecnologia de reverter a estagnação observada nas receitas das operadoras durante os ciclos do 4G e do 5G. A prioridade agora é investir no que pode ser controlado: melhorar a performance da rede e reduzir despesas operacionais (OPEX).
“AI-RAN não é uma alavanca de crescimento, mas uma ferramenta necessária para aumentar eficiência”, destacou o executivo. A adoção da tecnologia está focada em funções como ativação/desativação preditiva de funcionalidades MIMO para economia de energia e uso inteligente da infraestrutura já instalada.
Vantagem competitiva para fornecedores estabelecidos
O relatório aponta que os principais fornecedores de RAN – responsáveis por 95% da receita global do setor em 2024 – estão bem posicionados para liderar essa transformação, graças à possibilidade de aplicar upgrades com IA nos equipamentos de rádio e baseband já existentes.
A AI-RAN Alliance, iniciativa global criada para impulsionar o ecossistema em torno do uso de inteligência artificial nas redes móveis, passou de 11 membros fundadores para quase 100 em apenas 12 meses. Entre os integrantes estão gigantes como Samsung, SoftBank, Nokia e Vodafone. A expectativa é que a consolidação desse ecossistema possa futuramente abrir novas oportunidades de monetização – embora, no curto prazo, o AI-RAN seja visto mais como um passo estratégico do que uma fonte direta de receita.
Com a maturação da tecnologia e a ampliação da adoção de soluções baseadas em IA para automação de redes, a tendência é que o AI-RAN se torne um pilar central das redes móveis inteligentes. A médio e longo prazo, essa transformação pode representar um diferencial competitivo significativo para operadoras que buscam eficiência energética, escalabilidade e agilidade operacional em um cenário de crescente demanda por conectividade.
O que é AI-RAN?
No contexto da arquitetura de redes, AI-RAN (Artificial Intelligence for Radio Access Network) se refere ao uso de tecnologias de inteligência artificial automatizada dentro da rede de acesso rádio (RAN), uma das camadas mais críticas das redes móveis.
Embora o AI-RAN não seja uma tecnologia única ou isolada, ele segue os mesmos princípios de virtualização, automação e otimização associados à integração da IA nas telecomunicações. Seu objetivo principal é aumentar a eficiência das redes móveis, reduzir o consumo de energia e modernizar infraestruturas legadas – abrindo caminho para que operadoras e fornecedores explorem novas oportunidades econômicas impulsionadas por IA, especialmente com a chegada do 5G e da futura era do 6G.
De acordo com um estudo do IEEE (Instituto de Engenheiros Eletricistas e Eletrônicos), a inteligência artificial tem potencial para ser aplicada em praticamente todos os aspectos do design e operação de uma RAN. No entanto, a maior parte das pesquisas sobre AI-RAN atualmente se concentra na resolução de problemas pontuais e específicos, utilizando modelos de IA adaptados a condições ou locais particulares — uma abordagem conhecida como “especialização de modelos de IA”.
Essa estratégia oferece vantagens como menor complexidade computacional e reconstrução de estado mais direta (com menos variáveis de entrada, por exemplo). Por outro lado, os modelos especializados podem ter dificuldade em lidar com a diversidade de cenários e implantações de redes RAN, o que exige novos esforços para torná-los mais escaláveis e interoperáveis no futuro.
Participe das comunidades IPNews no Instagram, Facebook, LinkedIn e X.